小样本学习图像分类整体架构(帮助确定切入点、研究方向及论文整体架构)
总体结构
1. 数据集处理(图像增强)
- 数据增强
- 通过旋转、加噪、裁剪、压缩等操作。
- 利用生成模型生成新的样本或产生新的特征。
- 2017 年 Mehrotra 等提出 了生成网络 + 孪生网络的网络结构
- 通过函数变换
- 将图像中需要关注的物体本身或者其模式通过某种变换。
- 模型适应数据
- 针对数据的特点进行建模。对小样本的数据集,设计用于提取表示能力强的特征网络架构。
2.特征提取
-
注意力机制
- 简单来说就是在特征提取中,加权需要重点获取的信息
-
记忆力机制
- 简单来说就是提取各阶段的信息进行融合
3.分类器
- 卷积神经网络最后一层添加softmax的全连接层来分类
- 多数采用距离度量加权重
小样本公用数据集
-
数据量级大、类别多、每类包含的样本多的数据集。
- Tiered-ImageNet
-
数量级较小的数据集
-
CIFAR-100(FC100)
-
Mini-ImageNet
-
CUB-200
-
-
数据集类别较多, 但是相对类内样本少的数据集。
-
Omniglot
小样本学习评价指标
- N-way K-shot N ∈ {5, 10, 15, 20}, K ∈ {1, 5}一般来说取这些值的组合
小样本图像算法分类
- 卷积神经网络模型
- 迁移学习
- 基于特征
- 基于相关性
- 基于共享参数
- 元学习
- 基于度量
- 基于优化
- 基于模型
- 对偶学习
- 自动编码机
- 生成对抗网络
- 贝叶斯学习
- 迁移学习
- 图神经网络模型
研究方向
- 模型预训练需要大量样本与小样本背道而驰,可以研究利用其他先验知识而非模型预训练的方法。
- 针对基于元学习的方法设计合理的(自适应)梯度迁移算法
参考资料
[1] 刘颖, 雷研博, 范九伦等. 基于小样本学习的图像分类技术综述[J]. 自动化学报, 2021, 47(02):297-315.
[2] 赵凯琳, 靳小龙, 王元卓. 小样本学习研究综述[J].软件学报, 2021, 32(02):349-369.